免費 AI 影片放大實測：SeedVR2 放大到 1080p、2K、4K

開源模型 SeedVR2 免費、沒有浮水印。我們用頻譜、上萬條邊和縮回原尺寸的比對，量它放大到 1080p、2K、4K 時細節是不是真的多了。2K 是真的。4K 多的主要是畫素。

發布: 2026-11-02
更新: 2026-11-02

SeedVR2 是開源的 AI 影片放大模型，Apache 2.0。模型免費，沒有浮水印，不限次數。要一張 GPU。

第一次看成片，我們只說了一句：「不差啊。」

不差是多不差？結果先放這裡，後面一項一項量。

放大到	尺寸	每秒影片要跑	系統記憶體
720p	1248×720	11 秒	32 GiB
1080p（1K）	1890×1080	26 秒	62 GiB
1440p（2K）	2520×1440	48 秒	57 GiB（只跑 7 秒）
4K	3780×2160	110 秒	59 GiB（只跑 3.5 秒）

我們的選擇：768 原片、7B INT8、放大到 1080p、lab 色彩校正。 為什麼是這組，後面每一段都在回答。

768 放大到 1080p，左起原片、3B INT8、7B INT8。492×600 裁切，1:1 顯示。

放大到 1080p、2K、4K 要多久？

畫素翻倍，時間就翻倍。1080p 以上，八成時間花在 VAE，模型取樣只佔 7% 到 8%，所以後面換精度，總時間動不了多少。

720p 到 4K 每秒影片的耗時堆疊長條圖，分成 VAE 解碼、VAE 編碼、取樣與其他。720p 11 秒、1080p 26 秒、1440p 48 秒、4K 110 秒，系統記憶體 32、62、57、59 GiB — RTX 5090，3B INT8。720p 來自 480 原片，其餘來自 768。

14 秒的 2K 和 4K 我們沒有跑完，只跑了開頭幾秒。按比例估，記憶體要 115 和 235 GiB，我們這台上限 93 GB。要跑只能切段，放大完再接回去。

4K 一秒影片要跑將近兩分鐘。花這些時間換來的細節，是真的嗎？

AI 放大是真的多了細節，還是只多了畫素？

這題有標準驗法：看頻譜。

768 的原片，畫素裝得下的細節有上限。放大到 1080p，這個上限在 0.356 週期／像素，就是圖上的黃框。普通放大（lanczos）只是把畫素撐大，出不了這個框。框外有東西，就是原片沒有的。

768 與 480 放大到 1080p 的二維頻譜，各三張：lanczos 原片、3B、7B。lanczos 的能量幾乎都在黃框內，3B 和 7B 在框外多了一圈灰色能量。框外比例 768 是 0.006%、0.23%、0.14%，480 是 0.013%、0.48%、0.38% — 二維頻譜：中央是低頻，往外是細節。黃框是原片的極限，9 格平均。

框外能量佔全部能量的比例：lanczos 0.006%，3B 0.23%，7B 0.14%。480 原片的框在 0.222，比例是 0.013%、0.48%、0.38%。

數字很小，畫面的能量本來就幾乎都在低頻。差距不小：21 到 37 倍。

換成曲線更清楚。過了虛線，原片往下掉，3B 和 7B 還在。

768 與 480 放大到 1080p 的徑向能量曲線。虛線標出原片極限 0.356 和 0.222。過了虛線，lanczos 原片的能量快速下降，3B 和 7B 緩慢下降，3B 略高於 7B — 同一批頻譜依頻率取環平均。虛線是原片極限。

極限以外，768 高出 14 到 16 dB，480 高出 21 到 22 dB。原片越糊，模型補得越多。

所以是真的多了。不過框外這些東西原片沒有，是模型生的。生得出 1080p，不代表生得出 4K。

2K 和 4K 值得放大嗎？

把 1080p、2K、4K 放到同一個軸上：同一段前 3.5 秒，同一塊畫面，頻率換算成每畫面高度幾個週期。

再定一把尺。有效解析度＝能量掉到 −57 dB 之前的最高頻率，乘 2。−57 dB 是 768 原片在自己極限處的能量，所以原片量出來剛好 768 行。

1080p 量到 1080 行，畫素用完了細節還沒掉下去。2K 量到 1424 行，1440 行幾乎用完。4K 量到 1329 行。

2160 行的畫面，細節只到 1329 行。比 2K 還少。

768 原片與 1080p、1440p、4K 在同一個頻率軸上的能量曲線，附表格。有效解析度 768、1080、1424、1329 行；原片極限 384 以上的能量 0.19、5.20、5.64、5.69 — 3B，前 3.5 秒的 8 格，同一塊畫面。門檻 −57 dB 是原片在自己極限處的能量。

門檻放寬到 −60 dB，4K 是 1573 行，離 2160 還是很遠。總量也一樣：原片極限以上的能量，1080p 5.20，2K 5.64，4K 5.69。2K 到 4K 只多 1%。模型沒有多生細節，是把差不多的細節攤到更高的頻率。

2K 不一樣。540 週期以上，也就是 1080p 快裝不下的地方，2K 的能量將近是 1080p 的 3 倍。這段是真的多出來的。

肉眼看也一樣：2K 多一點髮絲，4K 這一格的耳緣還多了紅色色邊。

768 原片與 1080p、1440p、4K 成片的耳朵特寫。1440p 的髮絲比 1080p 多一點，4K 的耳緣出現紅色色邊 — 第 60 格，3B INT8。同一區域放大到相同尺寸。這是單一區域的觀察。

4K 要跑 1080p 的 4 倍時間，2K 不到 2 倍。夠用就停在 1080p，要更多細節上 2K。4K 我們不跑。

細節多了，畫面應該更銳。這題我們第一次就答錯了。

畫面變銳利了嗎？會有光暈嗎？

我們一開始只量了一條眼皮的邊，算出來陡了 3 倍。

然後換成 9,258 條。9 格畫面，把原片裡兩側平坦的強邊抓出來，一條一條量。

中位上升寬度：原片 6.6 像素，3B 5.9，7B 6.2。窄了 11% 和 6%。

3 倍是那一條邊的事。

768 與 480 放大到 1080p 的中位邊緣曲線與四分位帶，三條線幾乎重疊。768 的上升寬度 6.6、5.9、6.2 像素，過衝 P90 為 11.4%、22.6%、16.1%；480 的上升寬度 7.9、7.2、7.2 像素，過衝 P90 為 20.6%、34.4%、29.3% — 兩支共 19,170 條邊，每條對齊中點、依自己的平台歸一化。色帶是四分位距。

光暈在尾巴。中位數的邊幾乎沒有過衝，最糟的那一成就有了：768 原片 11%，3B 23%，7B 16%；480 是 21%、34%、29%。原片本來就有，3B 在 768 上把它翻了一倍。

官方說明也寫了：退化很輕的 AI 影片，模型容易生成過多細節，偶爾過銳。我們測的就是 AI 影片。

邊沒變多少，框外卻多了幾十倍。多出來的主要在紋理上。紋理就不一定對了。

多出來的細節可信嗎？

驗法很直接：成片縮回原片尺寸，和原片比。模型要是只加細節、沒動原片有的東西，縮回去應該幾乎一樣。

沒有幾乎一樣。768 上，7B 的 PSNR 是 34.1 dB、SSIM 0.954，3B 是 32.0 dB、0.923。普通放大再縮回是 58 dB。模型連框內也動了。

動的是細節。把差異模糊掉再算，回到 43 到 46 dB。差異圖也是這樣：黑的都是邊緣和紋理，平的地方是白的。形狀、衣服、位置都沒換，換的是紋理。

768 原片第 240 格與 7B 縮回原尺寸後的差異圖，差異放大 8 倍，集中在邊緣與紋理。表格列出 PSNR 與 SSIM：768 的 7B 34.1 dB、0.954，3B 32.0 dB、0.923；480 的 7B 36.0 dB、0.959，3B 34.2 dB、0.933；lanczos 來回 58.0 dB — 全片 112 格平均。右圖放大 8 倍，越黑差越多。

同一把尺順便回答上一段的 4K。3B 的前 3.5 秒，1080p 31.7 dB，2K 33.6，4K 35.7。4K 生的細節在更高的頻率，一縮就沒了，所以最像原片。

兩支原片、三個數字，7B 都比 3B 接近。3B 差在哪，放大看就知道。

3B 還是 7B？

3B 的長袍多了橘褐色刮痕，原片沒有。7B 的布面接近原片。

原片、3B INT8、7B INT8 的蟾蜍眼部與長袍對照。3B 的長袍多了橘褐色小刮痕與布紋，7B 接近原片的布面 — 768 放大到 1080p，第 240 格。716×400 裁切，1:1 顯示。

想要銳就選 3B，那些刮痕就是它自己生的。我們選 7B。

紋理既然是生的，是平均生，還是集中在某些亮度？

暗部和亮部會不會跑掉？

每個亮度區的細節都變多，是原片的 1.4 到 2.9 倍。暗部，3B 是 1.7 到 1.9 倍，7B 是 1.4 到 1.6 倍。

768 與 480 放大到 1080p，五個亮度區的高頻細節長條圖。每一區 3B 和 7B 都高於原片，是原片的 1.4 到 2.9 倍。亮部 7B 高於 3B，其他區 3B 大多較高 — 9 格。細節是像素減去高斯模糊（σ 1.5 像素）的 RMS，分區看原片的局部亮度。

最高的 2.9 倍在亮部，而且 7B 比 3B 多。這是一個鏡頭的事，不是整支片。第二個鏡頭的窗外在原片裡是糊的，模型把它補清楚了。第一和第三個鏡頭，還是 3B 多。如果那個糊是你要的，這裡要自己看過。

亮度範圍本身沒跑。平均暗 1 階，99% 分位最多差 1 階，爆白最多 0.017%。

原片、3B、7B 的亮度波形圖與直方圖。三張波形幾乎相同，三條直方圖幾乎重疊。平均 79.3、78.1、78.1，p99 都是 217，爆白 0%、0.008%、0.017% — 768 放大到 1080p。波形圖是第 240 格，直方圖與數字是全片 8 格平均。

單格都過關。可是沒有人一格一格看影片。

放大後的影片會不會閃？

模型一段一段算，我們這組約 2 秒一段。段跟段之間有接縫。

把同一欄像素隨時間攤開看：線沒有斷，但每個接縫，紋理都換一次。原片沒有這件事。

原片、3B 不重疊、3B 重疊 2 的放大時間切片。橫向細線一路連續，3B 在黑色接縫刻度處可以看到紋理換了一次，原片沒有 — 480 放大到 1080p，第一個鏡頭。同一欄 100 個像素隨時間展開，黑色刻度是段落接縫。

量化一下。靜止的地方，原片每格變 0.13 階，3B 0.37，7B 0.30。是原片的 2 到 3 倍，絕對值還是很小。接縫起的三格再翻倍：3B 0.56，7B 0.50。

768 放大到 1080p 靜止區每格變化的折線圖，3B 和 7B 高於原片，在每個接縫刻度處上升。下方兩張圖把接縫對齊後平均，接縫起的三格 3B 0.56、7B 0.50，約是接縫前的兩倍；480 上重疊 2 從 0.55 降到 0.46 — 靜止區是原片每格變化低於 0.6 階的像素。斷開處是鏡頭切換。

段落重疊 2 有用，不多：480 上從 0.55 降到 0.46，整支多約 8 秒。我們開著。

亮度穩了。顏色呢？

放大後顏色會不會偏？

不校正，飽和度高 13%，lab 只低 1.5%。兩者的偏差都不會越跑越大。

原片、lab 校正、不校正的向量示波器。不校正的分布範圍較大，飽和度高 12.9%；lab 接近原片，低 1.5% — 480 放大到 1080p，3B INT8，第 240 格。形狀越接近原片，色相和飽和度越一致。

lab 在 14 秒的片上多花約 14 秒。ComfyUI 範本預設是 none，要自己改。

只剩兩個選擇：精度和原片。

精度選哪個？

INT8。3B 和 7B 都在左上角：又快，對 FP16 的 PSNR 又有 45 dB 左右。NVFP4 最快，但只有 37 到 40 dB。

精度只動取樣，VAE 不受影響。768 放大到 1080p，最快和最慢，3B 差 19 秒，7B 差 49 秒。

3B 與 7B 四種精度的速度與畫質散點圖，INT8 位在左上角，NVFP4 最快但最低，虛線標出 FP16 的取樣時間 — 橫軸是取樣速度，縱軸是和 FP16 的接近程度。

原片用 480 還是 768？

用 768。兩支耗時差不多。480 補得更猛，框外能量比較多，耳後也多了一片原片沒有的皺紋。768 乾淨很多。

480 與 768 原片和各自 1080p 成片的耳朵特寫。480 放大後耳後多出細密皺紋，768 放大後耳朵輪廓乾淨 — 第 60 格，3× 顯示，3B INT8。兩支是不同次生成，只和各自原片比。

原片給得越少，模型猜得越多。

我們用的設定

「不差啊」現在有數字了。

項目	設定
模型	7B（想更銳選 3B，它會多生東西）
精度	INT8
目標	1080p（要更多細節上 2K）
色彩校正	`lab`
段落重疊	2
VAE tile	768 比 512 快 11%；1024 在 32 GB 顯卡上顯存不足

測試條件

兩支 Pika H3 Flex 生成的 14 秒片，832×480 與 1344×768，24 fps、336 格。兩支是同一場戲的不同次生成，只和各自原片比。同一場戲的 H3 步數比較是另一組測試。
RTX 5090 32GB、ComfyUI 0.35.0 內建節點、Comfy-Org 打包的模型、固定 seed、H.264 CRF 16，共 29 支成片。
2K 只跑前 7 秒，4K 只跑前 3.5 秒，切段也比 1080p 短，而且只有 3B。14 秒的記憶體是按比例估的。
1080p 各組系統記憶體量到 62 到 84 GiB，表上是最低值。顯存最高約 19 到 25 GiB（INT8），這不是最低需求，較小的顯卡我們沒有測。
7B 配 tile 768 沒有測。人臉特寫、字幕、大動作也還沒專門測。